MORI-Seg：无需实例标注即可学习形态几何进行实例分割
计算机视觉与模式识别
2026-05-28 v1
摘要
肾脏功能单位的实例级量化是形态学分析的关键任务，但大多数公开的病理数据集仅提供语义分割标注，其中同一类别的相邻结构被合并为单个区域。这会阻碍可靠的实例级分析，并限制后续定量研究。现有的启发式后处理方法常在拥挤和黏附区域 yield 次优的实例分离效果，而基于深度学习的实例分割方法则通常需要大量的实例级标注，这既成本高昂又耗时。我们提出 MORI-Seg，一个无需实例级标注即可实现实例分割的深度学习框架。该方法不采用启发式分割或实例监督，而是从语义掩码中直接学习形态感知的几何表示，通过联合建模对象中心距离场和边界带表示来编码内部结构和接触界面。一个基于类的特征解缝模块进一步促进实例内部一致性和实例间分离。在语义级监督下，MORI-Seg 以端到端的方式将连通的语义区域分解为互不相同的实例掩码。实验表明，MORI-Seg 在实例分离精度和可靠的形态量化方面优于经典后处理流程和代表性的语义到实例学习方法。官方实现已公开于 https://github.com/ddrrnn123/MORI-Seg。
引用
@article{arxiv.2605.28261,
title = {MORI-Seg: Learning Morphological Geometry for Instance Segmentation without Instance Annotations},
author = {Leiyue Zhao and Tianyu Shi and Daniel Reisenbuchler and Xinzi He and Junchao Zhu and Tianyuan Yao and Yuechen Yang and Yanfan Zhu and Junlin Guo and Gelei Xu and Haichun Yang and Yuankai Huo and Mert R. Sabuncu and Yihe Yang and Ruining Deng},
journal= {arXiv preprint arXiv:2605.28261},
year = {2026}
}